面向物联网网络流量分类的时间分布特征学习
信号处理
2024-09-10 v1 机器学习
摘要
基于深度学习的网络流量分类（NTC）技术，包括常规和服务类别（CoS）分类器，是提升物联网（IoT）网络服务质量（QoS）和无线资源管理的流行工具。整体时序特征包括数据包内、数据包间以及流间的时序特征，提供了在不依赖问题中定义类的前提下对网络服务的最大信息。当前解决方案中常规时空特征仅提取数据包和流之间的时空信息，忽略了数据包内部和流内的特征，对物联网流量而言不完整。因此，我们提出一种新的高效方法，用于基于深度学习的NTC，以时间分布特征学习实现最大化NTC准确率。我们在深度学习层上应用时间分布包装器，以帮助提取伪时序特征和时空特征。伪时序特征在深度学习中由黑箱提取，数学上解释较为复杂；然而，由于时间分布包装器，这些特征是时序的，因此我们称为伪时序特征。由于该方法在学习整体时序特征方面高效，我们可以将其扩展至常规和CoS NTC。我们的解决方案证明，伪时序特征和时空特征可显著提高任何NTC的鲁棒性和性能。我们在不同真实数据集上对解决方案进行理论和实验分析。实验结果表明，整体时序时间分布特征学习方法相对于最先进的常规和CoS分类器平均提高了13.5%的准确率。
引用
@article{arxiv.2409.05096,
title = {Time-Distributed Feature Learning for Internet of Things Network Traffic Classification},
author = {Yoga Suhas Kuruba Manjunath and Sihao Zhao and Xiao-Ping Zhang and Lian Zhao},
journal= {arXiv preprint arXiv:2409.05096},
year = {2024}
}